Systèmes de recommandation fédérés : l'autonomisation des utilisateurs

Les systèmes de recommandation traditionnels reposent souvent sur la collecte de données centralisées, ce qui peut compromettre la vie privée des utilisateurs et limiter leur contrôle sur leurs préférences. En revanche, l'apprentissage fédéré permet de générer des recommandations sans transférer de données personnelles hors de l'appareil. Cette étude présente un système de recommandation fédéré en direct qui permet aux utilisateurs de dicter leurs préférences tout en préservant la confidentialité des données. Sur une période de 53 jours, 22 participants ont interagi avec un catalogue de 8 807 articles, alternant entre recommandations personnalisées et axées sur la diversité. Les résultats montrent que, lorsqu'on leur donne le choix, les utilisateurs préfèrent les suggestions personnalisées, atteignant un taux de clics de 65,37 % contre 62,07 % pour les options diverses. Les participants ont également montré un fort engagement avec le système, comme en témoigne un score de satisfaction de 3,93 sur 5 et 248 ajustements apportés à leurs paramètres. De plus, les utilisateurs ont compris comment leurs interactions influençaient les recommandations reçues grâce à des mécanismes de retour d'information immédiats. Cette recherche illustre qu'il est possible de combiner autonomie des utilisateurs, confidentialité et recommandations personnalisées efficaces au sein d'un cadre fonctionnel.